Detecta cosecha óptima de fresa con visión RGB en invernadero
Visión general
De qué trata este proyecto.
Recibirás 5.000 imágenes etiquetadas con cajas delimitadoras y clase (verde, comercial, sobre-madura) capturadas a distintas horas del día. Entrenarás un detector ligero (YOLOv8 nano o RT-DETR pequeño) y reportarás mAP por clase, latencia en Jetson Nano y robustez a 3 condiciones lumínicas (mañana, mediodía, contraluz). Diseñarás un protocolo de re-entreno trimestral: qué datos colectar y qué métricas vigilar para evitar drift. Entregarás modelo exportado, informe y protocolo.
El Briefing
Lo que harás y lo que demostrarás.
Entrenar un detector de fresa por estado de madurez robusto a condiciones lumínicas de invernadero con presupuesto de cómputo edge.
Earning criteria — what you'll demonstrate
- Entrenar detectores ligeros para despliegue edge
- Diseñar augmentaciones que cubren variabilidad lumínica real
- Definir protocolos de monitorización y re-entreno para evitar drift
- Reportar métricas operativamente útiles, no solo académicas
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniera de Visión por Computadora
Detector edge en agro con augmentaciones lumínicas y protocolo de drift es el portafolio exacto que startups de robótica agrícola valoran.
Este proyecto afina
- object-detection
- edge-deployment
- data-augmentation
Ingeniera de MLOps
Definir protocolo de re-entreno trimestral con métricas de drift es trabajo nuclear de MLOps en modelos desplegados en planta o campo.
Este proyecto afina
- edge-deployment
- drift-monitoring
- model-evaluation
Ingeniera de Aprendizaje Automático
Optimizar un modelo para Jetson Nano y empaquetar el protocolo de mantenimiento es exactamente lo que una ML engineer hace para mover modelos a producción.
Este proyecto afina
- pytorch
- edge-deployment
- model-evaluation